全文 3,000字 | 閱讀約 8 分鐘

(吳恩達(dá)《Deep Dive》訪談精彩片段)

模型還在卷大卷快，價值卻越卷越模糊。

8 月 8 日，GPT-5 上線后口碑分化：發(fā)布會被指出“圖表誤導(dǎo)”，社區(qū)刷屏“chart crime”，Sam Altman 在 AMA 中承認(rèn) rollout “有點(diǎn)坎坷”，甚至階段性讓 4o 回歸以應(yīng)對用戶抱怨。

熱鬧之后，一個更現(xiàn)實(shí)的問題擺在所有企業(yè)和開發(fā)者面前：

到底什么才是真的價值創(chuàng)造？

吳恩達(dá)給出的答案很直接：先評估，后模型；選能深入打磨的場景；用閉環(huán)把 AI 接進(jìn)業(yè)務(wù)主干。

這不僅僅是理論概念，而是他在最近的播客專訪《Deep Dive: Andrew Ng on Deep Learning and Google Brain》中反復(fù)強(qiáng)調(diào)的實(shí)踐應(yīng)用方法論。

他現(xiàn)在主導(dǎo)的 AI Fund 不是傳統(tǒng)“孵化器”，而是一個 venture studio（共同創(chuàng)始型工作室）：從 0 到 1 跟團(tuán)隊(duì)一起找場景、做原型、打樣落地。

官網(wǎng)披露：已獲得超 3.7 億美元支持；在 YC 公開課上，吳恩達(dá)說得更直接：

“我們平均每月打造一家公司?！?/p>

這就是本文標(biāo)題里的核心理念，也是他判斷 AI 應(yīng)用是否值得做的唯一標(biāo)準(zhǔn)：

這個場景，夠不夠深？

第一節(jié)｜AI 不卷技術(shù)，卷落地

2012 年的吳恩達(dá)，還在研究神經(jīng)網(wǎng)絡(luò)怎么放大規(guī)模，追求“模型越大越準(zhǔn)”。

而現(xiàn)在，他關(guān)心的不是模型本身有多強(qiáng)，而是“能不能用起來”。

在這場播客里，吳恩達(dá)這樣描述他最新的工作重點(diǎn)：

“我現(xiàn)在每天都在看：這個想法有沒有明確問題、能不能融入流程、能不能用 AI 真正做成點(diǎn)什么?！?/p>

這種轉(zhuǎn)變，并不是他“看淡技術(shù)”，而是從他一路走來的經(jīng)歷中“看透技術(shù)”。

他曾是強(qiáng)化學(xué)習(xí)的先行者——博士時期訓(xùn)練神經(jīng)網(wǎng)絡(luò)駕駛直升機(jī)，在空中懸停；他也曾是大模型規(guī)?；牡谝慌苿诱摺狦oogle Brain 項(xiàng)目，正是他說服拉里·佩奇后啟動的。

但今天，他更關(guān)注的是一個場景到底能不能撐起一家公司？

他說得很清楚：

“很多人追的是參數(shù)、架構(gòu)，但我想問：你有沒有找到一個真正的問題？你能不能用 AI 讓這件事省下一半時間？”

在 AI Fund，他不再投那些技術(shù)花哨、方向模糊的項(xiàng)目，而是專注于“用 AI 解決一個實(shí)際流程”。

“我們共創(chuàng)的項(xiàng)目，往往從一個非常具體的任務(wù)開始，比如自動起草醫(yī)療報(bào)告、優(yōu)化呼叫中心、生成教學(xué)內(nèi)容……你可以看出它馬上能被用在哪?！?/p>

吳恩達(dá)認(rèn)為，AI 的技術(shù)儲備其實(shí)已經(jīng)足夠，“不是缺聰明才智，而是缺落地邏輯”。

很多人還沉浸在“AI 能不能做到”的討論里，他已經(jīng)在推著團(tuán)隊(duì)問另一件事：

你是不是真的在解決問題？ 你是不是只是做了個很厲害的工具，卻沒人用？

所以他把“做一家公司”這件事，簡化為一條核心判斷：

“這個場景，夠不夠具體，夠不夠深，能不能持續(xù)優(yōu)化。”

這也是他在近 60 分鐘訪談中反復(fù)強(qiáng)調(diào)的底層邏輯——AI 要有價值，不是靠技術(shù)新奇，而是靠能不能真的被人用上。

第二節(jié)｜原型先行，三月成敗

吳恩達(dá)做的不是投項(xiàng)目，而是一家公司從 0 到 1 的共同打造。

他把 AI Fund 定義為 “venture studio” —— 不是站在外面投錢看結(jié)果，而是親自下場，和創(chuàng)業(yè)者一起構(gòu)思、驗(yàn)證、打樣、跑第一批用戶。

在播客的對談中，他解釋：我們每月平均啟動一家 AI 初創(chuàng)公司……但我們不是只投點(diǎn)錢就結(jié)束了，而是和創(chuàng)始人一起工作三個月。

這三個月的目標(biāo)，不是組個團(tuán)隊(duì)、寫個 BP、畫個 PPT，而是：

“三個月內(nèi)拿出原型，真正找用戶驗(yàn)證。”

原型是什么？不是完美產(chǎn)品，而是能跑起來、能給人用、能看出效果的“第一版”。

吳恩達(dá)特別強(qiáng)調(diào)，現(xiàn)在原型制作的成本已經(jīng)降到幾千美元、幾天時間：“我們很多項(xiàng)目，初步驗(yàn)證只花幾千塊、兩三天就能跑出一個結(jié)果。驗(yàn)證失敗了也沒關(guān)系，至少我們知道不該往那個方向走?！?/p>

他說，這種方式比拉個團(tuán)隊(duì)討論三個月、分析市場、寫大計(jì)劃要實(shí)用得多：

“我們不希望等想法‘成熟’才開始，而是先試試，再看值不值得繼續(xù)?！?/p>

在 AI Fund，每月啟動一家公司，并不意味著“效率驚人”，而是他們找到了一個適合 AI 應(yīng)用的工作節(jié)奏：

1. 找到一個真實(shí)問題（比如客戶支持、教育內(nèi)容生成、研究文檔寫作）；

2. 快速搭出能跑的原型（能調(diào)模型、能連業(yè)務(wù)流程）；

3. 讓用戶用起來，看看能不能替代以前的做法。

吳恩達(dá)把這叫做“驗(yàn)證-迭代-成型”的閉環(huán)：

我們只有在第一階段有明確反饋、有初步使用， 才會進(jìn)入下一階段。

如果不能落地，就不浪費(fèi)資源；如果能落地，就快速加速。這套方法，也讓他們保持了約 75% 的原型項(xiàng)目畢業(yè)率 —— 用吳恩達(dá)的話說，就是：

“我們要做的是快速判斷方向，而不是光靠直覺去猜?！?/p>

所以，“原型”不是個技術(shù)環(huán)節(jié)，而是項(xiàng)目有沒有價值的第一道篩選器。

他不斷提醒團(tuán)隊(duì)：“不是你覺得這很酷就行，而是有人愿意用、能用得進(jìn)去、用了能省時間，那才是真的。”

第三節(jié)｜什么才算“深場景”？

“場景夠不夠深”，聽上去像一句模糊的話，但吳恩達(dá)在對談里講得非常具體。

我們不會花幾個月研究市場，也不會假設(shè)這可能很有用。 我們要看，這個場景是不是立刻就能用起來、能反復(fù)打磨、能真正落進(jìn)流程里。

這句話，基本就把“深”的標(biāo)準(zhǔn)講清楚了： 別光做白日夢想著以后有多好用，關(guān)鍵是看現(xiàn)在能不能真正做出來、做得下去、越做越好。

在他的操作邏輯里，一個“深場景”至少要滿足三個條件：

一、明確任務(wù)，而不是模糊概念

“我們希望項(xiàng)目從具體問題出發(fā)，比如：怎么減少客服的響應(yīng)時間？怎么用 AI 幫醫(yī)生起草報(bào)告？怎么自動生成教材題目？這種就是好起點(diǎn)。”

也就是說，不是“AI+教育”“AI+醫(yī)療”這種泛泛的賽道，而是要直接指向一個具體任務(wù)，最好能寫在用戶的待辦清單里。

二、能打第一版，就能走后幾步

“我們不怕第一版不完美，但我們要能看出它會不會變得更好。 一上來就卡住、跑不通、沒辦法調(diào)優(yōu)的場景，不值得做。”

吳恩達(dá)很清楚，AI 應(yīng)用不是一錘子買賣。如果做完原型就沒了空間，那就是“淺場景”——表面看起來亮眼，實(shí)則不值得花太多時間。

相反，一個能從 50% 提升到 80%、再提升到 90% 的場景，就具備了“深度”。它能給模型成長的空間，也能給公司建立長期優(yōu)勢的可能。

三、融得進(jìn)流程，不是靠人捧著用

“最好的 AI 產(chǎn)品，是能自己運(yùn)行，不需要人去手動喂數(shù)據(jù)、維護(hù)規(guī)則、每次都從頭調(diào)?！?/p>

在他看來，真正的 AI 落地，不是“造個新流程”，而是融進(jìn)舊流程，代替原本需要大量人力的環(huán)節(jié)，讓效率自然提升。

他舉例說：

“我們有項(xiàng)目是讓 AI 幫醫(yī)生寫研究文檔——以前需要團(tuán)隊(duì)花九周，現(xiàn)在五分鐘就能出初稿，人再來審核?！?/p>

再比如他提到自己為女兒做的一個小應(yīng)用：

“我?guī)仔r就做了個乘法卡片練習(xí)工具，用語音來出題、互動。不是多高級的產(chǎn)品，但它確實(shí)解決了我們家庭里的一個小問題?！?/p>

這些例子都指向同一個判斷：AI 能不能省時間、少犯錯、真正融進(jìn)使用者的日常？

如果答案是肯定的，那就說明這個場景，是可以走深的。

而反過來看，“不夠深”的場景，往往有這些特征：

• 做起來像demo，用戶看了覺得酷，但用起來沒效率；

• 靠人不斷改 prompt、修數(shù)據(jù)、盯著結(jié)果，無法自運(yùn)行；

• 沒有清晰的業(yè)務(wù)目標(biāo)，只是在“展示模型能力”。

對這些方向，吳恩達(dá)給出的態(tài)度非常明確：

“只要做了原型，我們就能判斷它是不是能往下做。如果一開始就感覺問題不夠具體、流程不連續(xù)、數(shù)據(jù)不成體系，那我們會很快放棄?！?/p>

在他這里，“場景夠不夠深”不是一句口號，而是一個可操作的起步門檻。也正是這個門檻，幫他和團(tuán)隊(duì)做出了優(yōu)先級——

把時間和資源，用在值得走下去的方向上。

第四節(jié)｜慢融資，快行動

吳恩達(dá)不講“講故事拿融資”的劇本，也不推“燒錢跑馬圈市場”的打法。

他說得很直接：

我每天看到很多好的 AI 想法，但很少有人真去試。

他更關(guān)注的，是有沒有快速驗(yàn)證的能力：一兩天內(nèi)能不能做出原型、讓用戶用上、拿到反饋。

這個過程中，最重要的不是融資規(guī)模、模型大小，而是能否保持快速迭代的節(jié)奏，具備邊做邊學(xué)、邊試邊改的持續(xù)優(yōu)化能力

主持人把這稱為“學(xué)習(xí)循環(huán)的緊密性”，吳恩達(dá)深表認(rèn)同：

“很多創(chuàng)新，不是靠你知道什么，而是靠你多快能發(fā)現(xiàn)方向不對。 只要試錯快，就算重做也不怕。”

訪談后段，主持人問他怎么看“速度”這件事，他給出一個真實(shí)對比：

“我見過的創(chuàng)始人，有的 15 分鐘就能拍板試一個想法； 有的要寫一份文檔、拉個會、再研究幾周……這就是 10 倍差距。”

這不是在說創(chuàng)業(yè)者要盲目冒進(jìn)，而是在強(qiáng)調(diào)：越快做，越快學(xué)，越能接近真實(shí)需求。

AI 項(xiàng)目不是投一個就能做成的，吳恩達(dá)公開說，他們在 AI Fund 的成功率大約是 75%。但那 25% 的放棄，也很重要。

“我們歡迎失敗，只要失敗是快速發(fā)生的。 這樣團(tuán)隊(duì)不會消耗太久，也不會錯過真正的機(jī)會?！?/p>

而為了讓失敗盡快暴露，他特別看重“第一版要跑起來”：

“我們不要求原型完美，但一定要能用、能看效果。 起碼能讓一個客戶看到價值，哪怕只是省下一小時?！?/p>

這其實(shí)也解釋了他對融資的態(tài)度——不是不融資，而是不靠融資判斷項(xiàng)目值不值得做：

現(xiàn)在用 AI 做原型很便宜，很多時候幾千塊就夠了。 與其花幾周寫商業(yè)計(jì)劃，不如先試個初版，哪怕只是半天的工作。

所以在吳恩達(dá)這里，創(chuàng)業(yè)的關(guān)鍵不是“技術(shù)多先進(jìn)”或“故事多打動人”，而是——

誰能最早知道這事做不做得通，誰就最有機(jī)會把它做得成。

結(jié)語｜AI 時代鐵律：把場景打穿，比什么都值錢

吳恩達(dá)很少談?wù)?AGI，從不炒作“超人類智能”概念。

他說得最多的是一句話：

不是 AI 會取代你，而是會用 AI 的人會。

而這些能用起來的人，有一個共同點(diǎn)：不是技術(shù)最強(qiáng)，但能選對方向，快速起手，沿著真實(shí)場景一路走下去。

他做的 AI Fund，很少單純追賽道熱度，只看三件事：

• 這個問題夠不夠具體？

• 這個場景能不能打穿？

• 這個產(chǎn)品能不能跑起來？

所以，如果你也在做 AI，別再問“模型夠不夠強(qiáng)”，先問一句話：

你選的這個場景，夠不夠深？

這就是今天 AI 應(yīng)用時代，最硬的一條底線。

本文由AI深度研究院出品，內(nèi)容翻譯整理自吳恩達(dá)在播客訪談《Deep Dive: Andrew Ng on Deep Learning and Google Brain》。為便于閱讀，采用意譯形式，保留核心觀點(diǎn)。未經(jīng)授權(quán)，不得轉(zhuǎn)載。

星標(biāo)公眾號， 點(diǎn)這里 1. 點(diǎn)擊右上角 2. 點(diǎn)擊"設(shè)為星標(biāo)" ← AI深度研究員 ? ← 設(shè)為星標(biāo)

https://www.youtube.com/watch?v=Oz0LizN3uMk&t=8s&ab_channel=X%2CTheMoonshotFactory

https://techcrunch.com/2025/08/08/sam-altman-addresses-bumpy-gpt-5-rollout-bringing-4o-back-and-the-chart-crime/?utm_source=chatgpt.com

https://www.businessinsider.com/openai-made-mistakes-with-charts-in-its-gpt-5-demo-2025-8?utm_source=chatgpt.com

https://www.ft.com/content/554af7b1-588a-47fb-8dc1-fb8fd6ea92f0?utm_source=chatgpt.com

https://x.company/moonshotpodcast/?utm_source=chatgpt.com

https://aifund.ai/about/?utm_source=chatgpt.com

https://singjupost.com/andrew-ng-building-faster-with-ai-transcript/?utm_source=chatgpt.com

來源：官方媒體/網(wǎng)絡(luò)新聞，

排版：Atlas

編輯：深思

主編：圖靈